سندروم آپنه (وجود وقفه های تنفسی) در خواب را می توان به عنوان یکی از شایعترین، خطرناک ترین و جدی ترین عوامل اختلال خواب دانست، بطوریکه افراد مشکوک به این بیماری، جهت تشخیص، از طریق ثبت انواع مختلف سیگنالهای حیاتی بدن در تمام طول مدت خواب، به روشی که psg ، نامیده می شود، مورد آزمایش قرار می گیرند. سپس طبقه بندی مراحل خواب همراه با برچسب زنی و علامت گذاری وقفه ها و پیشامدهای تنفسی و سایر اختلالات نظیر حرکات متناوب پاها ، بر روی سیگنالهای حیاتی مشاهده شده در صفحه نمایشگر کامپیوتر، توسط پزشک متخصص، بطور شهودی، انجام می گردد. در این پژوهش، ابتدا در فصل اول، به معرفی این بیماری (علایم مربوطه و عوامل موثر در پیدایش آن) و نیز روشهای تشخیصی و درمانی موجود، پرداخته می شود. در ادامه، در فصل دوم، برخی از تحقیقات و مطالعاتی که در گذشته با استفاده از پردازش و آنالیز سیگنالهای حیاتی، برای آشکارسازی و تشخیص این وقفه ها، با چندین روش هوشمند صورت گرفته، مرور و بررسی شده است. در فصل سوم، ابزارها و داده های مورد استفاده در این تحقیق، معرفی شده اند. در فصل چهارم، نتایج به دست آمده توسط سه نوع طبقه بندی کننده گوناگون (mlp ، rbf و svm) ، برای جداسازی اپوکهای 30 ثانیه ای ثبت شده نرمال از غیر نرمال (دارای وقفه های تنفسی مسدود کننده و ضعیف) در هر کدام از سه گروه بیمارانی که بر حسب شاخص وقفه های تنفسی (70 ≥ ahi و ≥ 30 )، شاخص جرمی بدن (35 ≥ bmi و ≥ 25) و سن افراد ( ≥ age و ≥ 40) در محدوده های تعیین شده، دسته بندی شده اند، از طریق دو مجموعه ویژگیهای استخراج شده، بطور جداگانه، در جدولهای مربوطه، تنظیم شده است. در نهایت، در فصل پنجم، بهترین نتایج حاصل (با ملاحظه فصل چهارم) با یکدیگر مقایسه شده و مطلوبترین وضعیت از لحاظ میانگین معیارهای سنجش عملکرد سیستم، متعلق به حالت استفاده از شبکه عصبی mlp ، با دقت %94/18، اختصاصی بودن %95/07 و حساسیت %91/54 می باشد.

مطالعات مستقلی در دانش عصبی شناختی و روانشناسی خبر از وجود یک الگوی شناختی در تولید اعداد تصادفی می دهند؛ که قابلیت تمایز در جمعیت های بالینی را دارا می باشد. در تحقیقات پیشین نحوه تولید اعداد تصادفی در بیماران اسکیزوفرنی، پارکینسون، بی توجهی و اوتیسم موردبررسی قرارگرفته است. این تحقیقات عمدتاً در آنالیز اعداد تصادفی بر میزان انحراف اعداد از تصادفی بودن، متمرکزشده اند. هدف این تحقیق بررسی رابطه الگویی بین تولید اعداد تصادفی در افراد سالم و افرادی که دچار اختلالات حافظه ای می باشند، است. برای دست یابی به این هدف گام های ذیل را به انجام رساندیم. گام نخست مربوط به ثبت سیگنال می باشد. پروتکل های مختلف را موردبررسی قرار داده ایم و درنهایت پروتکل کلاه را انتخاب نمودیم. در این پروتکل سوژه از بین اعداد 1 تا 9 به صورت شفاهی عدد تصادفی تولید می کند و شرط توقف زمانی است که سوژه احساس خستگی کند. در این پروژه از 60 نفر در چهار گروه سالم جوان، سالم پیر، بیماران دچار اختلالات خفیف شناختی و بیماران آلزایمر خفیف ثبت اعداد تصادفی صورت گرفته است. گام دوم مربوط به پردازش سیگنال در حوزه های زمان، فرکانس، زمان-فرکانس و آشوب می باشد. در گام سوم از میان ویژگی های متنوعی که استخراج گردیده است می بایست بهترین ویژگی ها را انتخاب نماییم؛ و در گام آخر با استفاده از طبقه بندی کننده سلسله مراتبی به تفکیک 90.25% دست یافتیم. با توجه به کارایی سیستم می توان آن را در فضای مجازی و اینترنت پیاده سازی نمود تا عموم جامعه حافظه جاری خود را مورد ارزیابی قرار دهند و در صورت وجود اختلال به پزشک متخصص مراجعه نمایند.

امروزه گروه¬های تحقیقاتی مختلفی جهت کمک به افراد مبتلا به بیماری¬هایی نظیر ms، als و...، در زمینهbrain-computer interface (bci) فعالیت می¬کنند. رابط¬های مغز کامپیوتر (bci) کاربران را قادر می¬سازند بدون دخالت عضلات و اعصاب جانبی به برقراری ارتباط بپردازند و از آنجا که این رابط¬ها به کنترل عصبی¬عضلانی وابسته نیستند، به افرادی با بیماری¬های نابود¬کننده کنترل عصبی¬عضلانی (مانند اسکلروز جانبی آمیوتروفی (als) ، سکته ساقه مغز، فلج مغزی و صدمات نخاعی) امکان برقراری ارتباط و کنترل می¬دهند. انواع مختلفی از سیستم های bci موجود است. سیستمی که در این پژوهش مورد بررسی قرارگرفته برپایه¬ی پتانسیل¬های برانگیخته¬ی بینایی حالت دائم ssvep ثبت شده از ناحیه پس¬سری کار می¬کند. با توجه به محدودیت رنج فرکانسی ssvep-bci، یکی از چالش¬های مهم مورد توجه در مطالعات اخیر، افزایش تعداد دستورهای قابل اجرا بوسیله این سیستم¬ها بوده است. هدف از این پژوهش بهبود عملکرد این سیستم¬ها با استفاده از روش¬های کدینگ است که کاربر را قادر می سازد خواسته¬های خود را به پرستارانش منتقل کند، از برنامه¬های پردازش متن و سایر نرم افزارها استفاده کند و حتی یک بازوی روباتیک را کنترل کند. بررسی¬ها بر روی داده های ثبت شده از 3 نفر انجام شده است. استفاده از ویژگی های استخراج شده از روش cca به عنوان یک روش جدید باعث بهبود نتایج شده است. طبق نتایج بدست آمده از این پژوهش، در حالت غیر کدینگ میانگین دقت 86% و در حالت کدینگ میانگین دقت 73% حاصل گردیده است.